第2章音频信号基础

第2章：音频信号基础——声音的物理特性、采样率与位深度、时域与频域分析、傅里叶变换入门

各位工程师朋友，大家好。我是你们的老朋友，一个在车载音频领域摸爬滚打了十几年的老兵。今天咱们进入《MTK8676座舱语音助手唤醒与降噪调优实战》的第二章节——音频信号基础。

说实话，很多做算法或者驱动的同事，一听到「信号处理」四个字就头大。我当年也一样。但后来我发现，搞懂音频基础，就像学开车要先懂油门刹车一样。不懂这些，你连麦克风为什么有杂音都说不清楚。

好，咱们直接开干。

2.1 声音的物理特性：你听到的到底是什么？

声音的本质是什么？说白了，就是空气的振动。一个物体振动，推动周围的空气分子，形成疏密相间的波，传到你的耳朵里，鼓膜跟着振，大脑就「听」到了。

这里面有两个核心物理量，我建议你刻在脑子里：

频率（Frequency）：单位是赫兹（Hz）。表示每秒振动多少次。人耳能听到的范围大约是20Hz到20kHz。低于20Hz叫次声波，高于20kHz叫超声波。车载麦克风一般要覆盖50Hz到16kHz，才能保证语音清晰。
振幅（Amplitude）：表示振动的强弱。振幅越大，声音越响。我们通常用分贝（dB）来表示声压级。

重要概念：频率决定了音调（pitch），振幅决定了响度（loudness）。这两个参数，是后续所有音频处理的起点。

我在项目中遇到过一件事：有次客户投诉语音助手在高速上完全听不清。我查了半天，发现是麦克风选型时只关注了灵敏度，没关注低频响应。风噪和路噪主要集中在200Hz以下，麦克风低频响应不够，信号直接被噪声淹没了。嗯，这就是典型的「基础没打牢」。

2.2 采样率与位深度：把模拟信号变成数字信号

麦克风采集到的是连续的模拟信号，但芯片只能处理离散的数字信号。怎么转换？靠采样和量化。

2.2.1 采样率（Sample Rate）

采样率就是每秒采集多少个样本点。单位是Hz或kHz。

奈奎斯特采样定理：采样率必须大于信号最高频率的两倍，才能无失真地重建原始信号。否则会出现混叠（Aliasing）。
实际应用：语音信号最高频率一般按4kHz算（电话语音），所以8kHz采样率就够了。但车载语音助手要处理更宽的频带，我建议用16kHz或48kHz。MTK8676的音频接口支持最高192kHz采样率，但咱们做语音唤醒，16kHz是性价比最高的选择。

我的习惯：做语音唤醒算法时，统一用16kHz采样率。既满足语音带宽要求，又节省算力和内存。别盲目追求高采样率，那是在浪费资源。

2.2.2 位深度（Bit Depth）

位深度决定了每个采样点的精度。常见的有16位、24位、32位。

16位：动态范围约96dB。CD音质标准，够用。
24位：动态范围约144dB。录音棚级别，车载场景有点奢侈。
32位浮点：动态范围极大，主要用于后期处理。

我建议车载语音助手用16位就够了。为什么？因为车内噪声环境复杂，麦克风本身的底噪和ADC的量化噪声相比，16位的量化噪声已经可以忽略不计。用24位，白白增加数据传输量和处理负担。

避坑指南：我曾经在一个项目里，为了追求「高保真」，把位深度设成了24位。结果I2S总线带宽不够，导致数据丢帧，语音助手时不时卡顿。后来降回16位，问题解决。记住：够用就好，别炫技。

2.3 时域与频域分析：两个角度看世界

音频信号可以从两个维度去看：时域和频域。

2.3.1 时域（Time Domain）

时域就是看信号随时间的变化。横轴是时间，纵轴是振幅。你看到的波形图，就是时域表示。

时域分析能直观看到：

信号的幅度变化（音量大小）
信号的起始和结束（语音端点检测）
噪声的突发特性（比如关门声、喇叭声）

但时域有个缺点：你很难看出这个信号里包含哪些频率成分。比如一段语音里混着发动机的轰鸣声，在时域上它们叠加在一起，你根本分不清。

2.3.2 频域（Frequency Domain）

频域就是看信号在不同频率上的能量分布。横轴是频率，纵轴是幅度或能量。

频域分析能告诉你：

语音的主要能量集中在哪些频段（一般300Hz-3.4kHz）
噪声分布在哪些频段（风噪在低频，胎噪在中低频）
哪些频率需要增强或抑制（降噪的核心思路）

一句话总结：时域告诉你「什么时候响」，频域告诉你「什么频率在响」。两者结合，才能全面理解音频信号。

2.4 傅里叶变换入门：从时域到频域的桥梁

怎么从时域信号得到频域信息？靠傅里叶变换（Fourier Transform）。

傅里叶变换的核心思想是：任何一个复杂的周期信号，都可以分解成一系列不同频率、不同振幅、不同相位的正弦波之和。

你想想看，这就像用乐高积木搭房子。每个正弦波就是一块积木，傅里叶变换就是告诉你，这个房子用了哪些积木、每种积木用了多少块。

2.4.1 离散傅里叶变换（DFT）

计算机处理的是离散信号，所以要用离散傅里叶变换。公式我就不写了，你记住两点：

DFT把N个时域样本点，转换成N个频域样本点
计算量很大，N个点需要N²次运算

2.4.2 快速傅里叶变换（FFT）

FFT是DFT的快速算法。它把计算量从N²降到了Nlog₂N。对于1024个点，DFT需要约100万次运算，FFT只需要约1万次。差距巨大。

在MTK8676上做语音处理，FFT是家常便饭。我常用的FFT长度是512或1024点，对应16kHz采样率，频率分辨率分别是31.25Hz和15.625Hz。够用了。

// 一个简单的FFT示例（伪代码）
// 输入：时域信号 x[0..N-1]
// 输出：频域信号 X[0..N-1]

void fft(complex x[], int N) {
    // 1. 位反转排序
    // 2. 蝶形运算
    // 3. 输出频域结果
}

我的建议：刚开始接触FFT时，别纠结数学推导。先会用，知道输入输出是什么，知道怎么调参数。等用熟了，再回头补理论。我就是这么过来的。

2.4.3 频谱与语谱图

FFT得到的是某一时刻的频谱。但语音是随时间变化的，所以我们需要看频谱随时间的变化——这就是语谱图（Spectrogram）。

语谱图的横轴是时间，纵轴是频率，颜色深浅表示能量大小。它能直观展示语音的时变特性，比如：

元音在低频有稳定的能量条（共振峰）
辅音在高频有短促的能量爆发
噪声在特定频段有持续的能量分布

做语音唤醒和降噪时，我几乎天天盯着语谱图看。它能帮你快速定位问题：是语音被噪声淹没了？还是算法把语音误当成噪声滤掉了？一眼就能看出来。

实战经验：有一次，我发现语音唤醒率在高速上骤降。看语谱图才发现，风噪集中在1kHz-3kHz，正好和语音的关键频段重叠。后来在算法里加了一个自适应陷波滤波器，专门抑制这个频段的噪声，唤醒率直接提升了15%。

2.5 本章小结

好，咱们捋一捋今天的内容：

声音的物理特性：频率和振幅，是一切的基础
采样率与位深度：16kHz + 16位，车载语音助手的黄金组合
时域与频域：两个视角，缺一不可
傅里叶变换：从时域到频域的桥梁，FFT是实战利器

下一章，咱们会深入MTK8676的音频硬件架构，看看这些理论怎么落地到芯片上。到时候我会分享一些具体的寄存器配置和调试技巧，敬请期待。

记住：基础不牢，地动山摇。把这些概念吃透了，后面的降噪和唤醒调优，你会觉得豁然开朗。

📚 课程目录